Fugu-MT 論文翻訳(概要): The Safety Challenges of Deep Learning in Real-World Type 1 Diabetes Management

論文の概要: The Safety Challenges of Deep Learning in Real-World Type 1 Diabetes Management

arxiv url: http://arxiv.org/abs/2310.14743v1
Date: Mon, 23 Oct 2023 09:25:50 GMT
ステータス: 処理完了
システム内更新日: 2023-10-24 21:07:33.862128
Title: The Safety Challenges of Deep Learning in Real-World Type 1 Diabetes Management
Title（参考訳）: 実世界1型糖尿病管理における深層学習の安全性の課題
Authors: Harry Emerson, Ryan McConville and Matthew Guy
Abstract要約: 血糖シミュレーションにより、患者に害を与えずに1型糖尿病(T1D)管理戦略を評価できる。ディープラーニングアルゴリズムは、シミュレータ機能を拡張するための有望な道を提供する。この研究は、現実世界のデータに基づいて訓練されたディープラーニングアルゴリズムを用いてグルコースダイナミクスをモデル化することの意味について考察する。
参考スコア（独自算出の注目度）: 4.107887387754702
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Blood glucose simulation allows the effectiveness of type 1 diabetes (T1D) management strategies to be evaluated without patient harm. Deep learning algorithms provide a promising avenue for extending simulator capabilities; however, these algorithms are limited in that they do not necessarily learn physiologically correct glucose dynamics and can learn incorrect and potentially dangerous relationships from confounders in training data. This is likely to be more important in real-world scenarios, as data is not collected under strict research protocol. This work explores the implications of using deep learning algorithms trained on real-world data to model glucose dynamics. Free-living data was processed from the OpenAPS Data Commons and supplemented with patient-reported tags of challenging diabetes events, constituting one of the most detailed real-world T1D datasets. This dataset was used to train and evaluate state-of-the-art glucose simulators, comparing their prediction error across safety critical scenarios and assessing the physiological appropriateness of the learned dynamics using Shapley Additive Explanations (SHAP). While deep learning prediction accuracy surpassed the widely-used mathematical simulator approach, the model deteriorated in safety critical scenarios and struggled to leverage self-reported meal and exercise information. SHAP value analysis also indicated the model had fundamentally confused the roles of insulin and carbohydrates, which is one of the most basic T1D management principles. This work highlights the importance of considering physiological appropriateness when using deep learning to model real-world systems in T1D and healthcare more broadly, and provides recommendations for building models that are robust to real-world data constraints.
Abstract（参考訳）: 血糖シミュレーションにより、患者に害を与えずに1型糖尿病(T1D)管理戦略を評価できる。深層学習アルゴリズムは、シミュレータ機能を拡張する有望な手段を提供するが、これらのアルゴリズムは、必ずしも生理的に正しいグルコースダイナミクスを学習せず、訓練データにおいて共同設立者から不正確で潜在的に危険な関係を学べるという点で制限されている。これは、厳格な研究プロトコルでデータが収集されないため、現実のシナリオではより重要である可能性が高い。この研究は、現実世界のデータで訓練されたディープラーニングアルゴリズムを使用してグルコースのダイナミクスをモデル化することの意味を探求する。フリーリビングデータはopenaps data commonsから処理され、患者が報告した糖尿病イベントのタグが補足され、最も詳細なt1dデータセットを構成する。このデータセットは、最先端のブドウ糖シミュレータのトレーニングと評価、安全性クリティカルなシナリオ間での予測誤差の比較、Shapley Additive Explanations (SHAP)を用いた学習力学の生理的適切性の評価に使用された。深層学習予測精度は、広く使われている数学シミュレーターのアプローチを上回り、安全上の重要なシナリオにおいてモデルは悪化し、自己申告された食事や運動情報を活用するのに苦労した。 SHAP値分析は、最も基本的なT1D管理原則の一つであるインスリンと炭水化物の役割を根本的に混乱させたことも示している。本研究は,t1dと医療における実世界のシステムモデリングにディープラーニングを用いた場合の生理的適切性を検討することの重要性を強調し,実世界のデータ制約にロバストなモデルの構築を推奨する。

関連論文リスト

What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
論文参考訳（メタデータ） (2024-11-12T09:52:40Z)
FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
論文参考訳（メタデータ） (2024-10-28T02:24:01Z)
Comparative Analysis of LSTM Neural Networks and Traditional Machine Learning Models for Predicting Diabetes Patient Readmission [0.0]
本研究はDiabetes 130-US Hospitalsデータセットを用いて,各種機械学習モデルによる寛解患者の分析と予測を行う。 LightGBMは、XGBoostが首位だったのに対して、従来のモデルとしてはベストだった。本研究は,予測医療モデリングにおいて,モデル選択,検証,解釈可能性が重要なステップであることを示す。
論文参考訳（メタデータ） (2024-06-28T15:06:22Z)
Extracting Training Data from Unconditional Diffusion Models [76.85077961718875]
拡散確率モデル(DPM)は、生成人工知能(AI)の主流モデルとして採用されている。本研究の目的は,1) 理論解析のための記憶量,2) 情報ラベルとランダムラベルを用いた条件記憶量,3) 記憶量測定のための2つのより良い評価指標を用いて,DPMにおける記憶量の理論的理解を確立することである。提案手法は,理論解析に基づいて,SIDE (textbfSurrogate condItional Data extract) と呼ばれる新しいデータ抽出手法を提案する。
論文参考訳（メタデータ） (2024-06-18T16:20:12Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
Machine Learning based prediction of Glucose Levels in Type 1 Diabetes Patients with the use of Continuous Glucose Monitoring Data [0.0]
連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)デバイスは、患者の血糖値に関する詳細な、非侵襲的でリアルタイムな洞察を提供する。将来のグルコースレベルの予測方法としての高度な機械学習(ML)モデルを活用することで、生活改善の実質的な品質がもたらされる。
論文参考訳（メタデータ） (2023-02-24T19:10:40Z)
Bag of Tricks for Developing Diabetic Retinopathy Analysis Framework to Overcome Data Scarcity [6.802798389355481]
糖尿病網膜症 (DR) 解析課題として, 病変分割, 画像品質評価, DRグレーディングについて検討した。各タスクに対して,アンサンブル学習,データ強化,半教師付き学習を活用した堅牢な学習手法を導入する。疑似ラベルの負の効果を低減するため,モデルの信頼度スコアに基づいて不確実な擬似ラベルを除外する信頼性の高い擬似ラベルを提案する。
論文参考訳（メタデータ） (2022-10-18T03:25:00Z)
Deep Personalized Glucose Level Forecasting Using Attention-based Recurrent Neural Networks [5.250950284616893]
本研究では,血糖予測の問題点について検討し,深いパーソナライズド・ソリューションを提供する。データを解析し、重要なパターンを検出する。実データセット上でモデルの有効性を実証的に示す。
論文参考訳（メタデータ） (2021-06-02T01:36:53Z)
Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文参考訳（メタデータ） (2021-03-29T11:30:18Z)
Model-Based Reinforcement Learning for Type 1Diabetes Blood Glucose Control [0.0]
本研究では,1型糖尿病患者のインスリン摂取量決定を支援するためのモデルベース強化学習について検討した。提案アーキテクチャは、複数のEcho State Networksで構成され、計画のためのモデル予測コントローラと組み合わせて血糖値を予測する。
論文参考訳（メタデータ） (2020-10-13T10:17:30Z)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。